Passer au contenu

Bibliothèque de connaissances

Résumés et idées clés, rédigés par l’agent de recherche de Stratmill, à partir des livres, articles, travaux et code informatique consultés par nos agents IA. Chaque page renvoie à la source originale.

Rechercher dans la bibliothèque

558 documents

Machine Learning for Trading

Cette étude de cas explique comment produire des prévisions pour une période de réserve après avoir fait des choix de modèle et de stratégie à partir des données de validation. Elle récupère la configuration précédemment sélectionnée, reconstitue sa…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook présente EdgarTools pour explorer les déclarations SEC par entreprise et type de déclaration. Il montre comment rechercher des émetteurs à l’aide d’identifiants CIK stables, récupérer des rapports annuels et trimestriels, extraire des états…

ActionsMarchés américainsBacktestStatistiques
Machine Learning for Trading

Ce notebook décrit un modèle séquentiel LSTM destiné à prévoir les rendements boursiers à partir de fenêtres ordonnées de caractéristiques récentes. Chaque exemple utilise 60 séances consécutives pour une action ; les fenêtres qui traversent des…

ActionsApprentissage automatiqueStatistiquesMarchés américains
Machine Learning for Trading

Ce notebook synthétise les résultats de validation enregistrés pour cinq estimateurs à facteurs latents — PCA, IPCA, CAE, SDF et SAE — sur neuf études de cas. Il indique d’abord quels estimateurs ont des résultats dans chaque panel, puis identifie le…

Investissement factorielApprentissage automatiqueStatistiquesActions
Machine Learning for Trading

Ce notebook applique TabM, un ensemble neuronal à partage de poids, à un panel d’actions US représenté par une ligne de caractéristiques pour chaque action et séance. Un tronc commun à deux couches alimente plusieurs membres, chacun doté de son propre…

ActionsApprentissage automatiqueBacktestStatistiques
Machine Learning for Trading

Ce notebook définit des objectifs de rendements futurs pour classer les actions US et explique comment faire correspondre leurs horizons aux séances de trading réelles. Il utilise des prix ajustés des divisions d’actions et des dividendes pour calculer les…

ActionsMomentumStatistiquesBacktest
Machine Learning for Trading

Ce script rassemble les positions institutionnelles à partir des déclarations SECF de 13 de deux façons : il peut récupérer les déclarations d’un ensemble de gestionnaires sélectionnés ou télécharger les fichiers trimestriels en masse de SEC. Les deux voies…

ActionsStatistiquesConstruction de portefeuille
Machine Learning for Trading

Ce notebook applique l’analyse en composantes principales à un panel de rendements d’actions US afin de représenter les grands mouvements communs à l’aide d’un nombre réduit de facteurs. Chaque facteur correspond à une direction de variation commune, et la…

ActionsStatistiquesApprentissage automatiqueInvestissement factoriel
Machine Learning for Trading

Ce notebook explique comment extraire des transactions d’initiés à partir de fichiers XML bruts du formulaire 4 de SEC, pour la recherche quantitative sur les actions. Il utilise un analyseur XML afin de rattacher le code, la date, le nombre d’actions, le…

ActionsStratégies événementiellesSentiment de marchéStatistiques
Machine Learning for Trading

Cette étude de cas applique l’estimation causale au momentum des ETF et examine si son effet sur les rendements futurs varie selon la volatilité du marché. Elle utilise un traitement de momentum continu, un rendement futur à 21 jours, des variables de…

ActionsMarchés américainsMomentumApprentissage automatique
Machine Learning for Trading

Ce notebook présente NLinear comme un modèle séquentiel de référence simple pour prévoir les rendements des actions US. Chaque exemple utilise une fenêtre de 60 séances consécutives pour une action, avec des caractéristiques ordonnées dans le temps. Pour…

ActionsMarchés américainsApprentissage automatiqueBacktest
Machine Learning for Trading

Le document présente un processus reliant des chargeurs standardisés de données de marché, un registre de caractéristiques préconstruites et des diagnostics de signaux. Le calcul des caractéristiques peut être spécifié par des noms, des dictionnaires de…

Indicateurs techniquesApprentissage automatiqueStatistiquesActions
Machine Learning for Trading

Ce notebook présente l’analyse en composantes principales instrumentale comme modèle des rendements transversaux. Au lieu d’attribuer directement des pondérations de rendement aux caractéristiques de chaque société, IPCA estime une application linéaire…

ActionsInvestissement factorielApprentissage automatiqueStatistiques
Machine Learning for Trading

Ce notebook compare quatre architectures de réseaux neuronaux pour une même tâche : prévoir le prochain rendement quotidien à partir d’une fenêtre de rendements passés, regroupés sur huit fonds négociés en bourse. Il décrit comment un réseau dense, une…

Apprentissage automatiqueBacktestActionsStatistiques
Machine Learning for Trading

Ce notebook évalue des modèles séquentiels pour classer les actions du S&P 500 à partir de fenêtres d’historiques de surfaces d’options et de prix. Il associe un modèle linéaire normalisé, sans mémoire récurrente, à un LSTM dont les portes transmettent les…

Apprentissage automatiqueActionsOptionsBacktest
Machine Learning for Trading

Ce notebook présente une interface OHLCV unifiée pour Yahoo Finance, WikiPrices et FRED, puis utilise ces sources pour obtenir des données actuelles d’ETF, des actions avec un long historique et des séries macroéconomiques. Il décrit une méthode de repli…

ActionsMulti-actifsMicrostructure des marchésBacktest
Machine Learning for Trading

Ce notebook ajuste un réseau à mémoire à long et court terme comportant NASDAQ-100 caractéristiques de microstructure afin de prédire les rendements futurs sur plusieurs horizons de quelques minutes. Contrairement à un modèle linéaire aplati, un LSTM traite…

Apprentissage automatiqueMicrostructure des marchésActionsBacktest
Machine Learning for Trading

Ce carnet de synthèse compare la pondération égale, l’inverse de la volatilité, l’optimisation moyenne-variance et la parité du risque hiérarchique à partir d’un signal commun appliqué à un univers ETF diversifié. Un modèle Ridge glissant utilise des…

Construction de portefeuilleBacktestActionsExécution des ordres
Machine Learning for Trading

Ce carnet construit N-BEATS, une architecture neuronale de prévision entièrement connectée qui traite une fenêtre d’entrée complète et prédit une trajectoire future. Sa variante interprétable contraint les blocs à exprimer les composantes au moyen de bases…

Apprentissage automatiqueActionsBacktestStatistiques
Machine Learning for Trading

Ce carnet décrit la reconstruction d’un carnet d’ordres à cours limité NASDAQ à partir de messages DataBento par ordre, pour un seul symbole et une seule séance de négociation. Il présente un moteur modulaire qui suit l’état de chaque ordre, agrège les…

ActionsMicrostructure des marchésExécution des ordresStatistiques